导读:本文包含了短时预测模型论文开题报告文献综述及选题提纲参考文献，主要关键词:交通管理,短时行程时间预测,组合预测模型,小波神经网络
短时预测模型论文文献综述
杨航,王忠宇,邹亚杰,吴兵[1]（2019）在《基于二次修正的短时行程时间预测模型》一文中研究指出为了提高高速公路短时行程时间预测模型的精度和鲁棒性,同时缓解过度训练带来的过拟合效应,构建了基于小波神经网络和马尔可夫链的组合预测模型,并采用平均绝对误差、平均绝对百分比误差、均方根误差叁个指标评价模型的预测效果.分析结果表明,在行程时间突变之后,组合预测模型较其他模型都有着更高的预测精度;同时,该模型在预测行程时间突变点时不存在延迟,说明其在高峰时段内有着更高的预测精度和更强的预测鲁棒性.(本文来源于《同济大学学报(自然科学版)》期刊2019年10期）
李明明,雷菊阳,赵从健[2]（2019）在《基于LSTM-BP组合模型的短时交通流预测》一文中研究指出为减轻日益严重的交通拥堵问题,实现智能交通管控,给交通流诱导和交通出行提供准确实时的交通流预测数据,设计了基于长短时记忆神经网络(LSTM)和BP神经网络结合的LSTM-BP组合模型算法.挖掘已知交通流数据的特征因子,建立时间序列预测模型框架,借助Matlab完成从数据的处理到模型的仿真,实现基于LSTMBP的短时交通流精确预测.通过与LSTMBPWNN叁种预测网络模型的对比,结果表明LSTM-BP预测的时间序列具有较高的精度和稳定性.该模型的搭建,可对交通分布的预测、交通方式的划分、实时交通流的分配提供依据和参考.(本文来源于《计算机系统应用》期刊2019年10期）
周海赟,闫冬梅[3]（2019）在《基于SSARX-NARX模型的短时交通流预测》一文中研究指出为了提高短时交通流的预测精度,向出行者提供更加准确可靠的道路交通信息,在充分考虑交通系统非线性特征的基础上,提出了基于SSARX-NARX的短时交通流预测模型。该模型以NARX作为短时交通流预测基础模型,采用SSARX方法建立了短时交通流预测状态空间模型并估计了模型参数,然后将估计出的状态空间模型的系统阶次和马尔科夫参数的值分别作为NARX基础预测模型线性部分的初始参数值,优化后构造了SSARX-NARX预测模型。利用PeMS数据库的交通流数据,验证了SSARX-NARX模型的预测性能,比较了SSARX-NARX模型与SSARX模型的预测精度。结果表明,SSARX-NARX模型可以实现1步和多步短时交通流预测,并且针对5步和10步短时交通流预测,SSARX-NARX模型的MAPE值分别比SSARX模型小0.76%和2.4%,而针对1步交通流预测,SSARX-NARX模型的MAPE值比SSARX模型大0.13%,但相差不大。(本文来源于《交通信息与安全》期刊2019年04期）
孔德璇,张亚平[4]（2019）在《寒地城市地铁站短时步行交通需求动态预测模型》一文中研究指出基于为地铁站周边步行设施规划、交通组织及信号控制优化提供依据的研究目的,提出进出地铁站短时步行交通需求动态预测模型。以地铁列车到发时间间隔为单位,通过Levenberg-Marquardt算法标定的指数平滑模型对下一到发时间间隔内的进、出站客流量进行预测,基于动态行程时间分析地铁站周边人行道、无信号交叉口、信号交叉口以及立体行人过街设施处的步行交通阻抗函数,并提出侵占人行道、寒地城市冰雪路面、立体行人过街设施与水平路面高度差、缺乏方向指示4类惩罚系数对步行阻抗函数进行修正,采用多路径交通分配模型将指数平滑模型预测得到的进出站步行交通量分配至地铁站周边慢行交通网络。以哈尔滨市地铁1号线博物馆站1号站口为例进行良好天气及雪后进出站客流量预测、对比冬夏两季步行阻抗函数计算和步行流量分配情况,研究结果表明,在通过连续6个到发时间间隔客流量数据标定指数平滑模型的前提下,进出站客流量预测相对误差总体呈下降趋势,第7个到发时间间隔进、出站客流量预测相对误差分别为1.67%和-3.57%,根据地铁站周边步行阻抗函数分配得到的步行流量分布与实际情况基本吻合且能反映步行环境和季节变化引起的路线选择倾向变化,证实模型可用于地铁站周边步行设施的规划与评价,并可协同地铁站邻近交叉口进行考虑行人效益的动态交通控制。(本文来源于《交通信息与安全》期刊2019年04期）
赵宏,翟冬梅,石朝辉[5]（2019）在《短时交通流预测模型综述》一文中研究指出介绍短时交通流预测的背景和意义,将短时交通流预测的方法分为5类,包括基于统计分析的预测模型、非线性理论模型、基于仿真的预测模型、智能预测模型及混合预测模型。对这5类预测模型进行逐一介绍,并对其在算法复杂度、预测精度、计算时长、适用路段等方面进行分析。短时交通流预测研究领域今后可能的发展趋势是数据来源多样化、混沌理论和深度学习逐渐发展,组合预测模型更加多样,预测精度不断提高。(本文来源于《都市快轨交通》期刊2019年04期）
冯诚,杨静,周浪雅,张红亮[6]（2019）在《基于GWO-WNN模型的城市轨道交通短时进站客流预测》一文中研究指出城市轨道交通短时进站客流具有较强的非线性与随机性。针对该问题,提出一种基于灰狼优化算法(Grey Wolf Optimizer, GWO)与小波神经网络(Wavelet Neural Network,WNN)的城市轨道交通短时进站客流预测模型(GWO-WNN模型)。在构建小波神经网络的基础上,利用灰狼优化算法对初始权值和小波因子进行全局搜索寻优,有效避免了小波神经网络预测结果不稳定及极易陷入局部最小值的缺点。结合案例分析,将单纯WNN模型预测结果与GWO-WNN模型的预测结果比较分析,结果表明GWO-WNN模型相比单纯的WNN模型,在绝对误差和绝对误差百分比方面有极大的提升,均方根误差也可以佐证优化后的WNN模型预测精度更高。(本文来源于《铁道运输与经济》期刊2019年08期）
宋予佳,张健,邢珺[7]（2019）在《基于长短期记忆网络构建短时车流预测模型》一文中研究指出为了准确地预测短期高速公路车流量,从而有利于最优路径规划,基于高速公路大数据积累,以及基于神经网络机器学习技术的发展,构建了基于长短期记忆网络构建短时车流预测模型,并对关键参数的设置进行优化,提出模型求解算法。通过杭金衢高速新岭隧道段数据进行案例分析,模型预测精度高于传统时间序列模型,为今后高速公路运行管理提供可靠支撑。(本文来源于《公路》期刊2019年07期）
杨静,朱经纬,刘博,冯诚,张红亮[8]（2019）在《基于组合模型的城市轨道交通短时客流预测》一文中研究指出针对城市轨道交通短时客流的非线性分布特征,本文提出一种基于变点模型、小波变换、自回归滑动平均模型(ARMA)的组合预测模型.首先,利用变点模型将车站进站客流数据划分为具有不同特征的时间段;然后,使用自相关和偏自相关分析确定时间序列的平稳性;之后,分别采用ARMA模型与小波ARMA组合模型对北京市某地铁站的进站量进行客流预测,并对预测结果的误差进行了比较分析.经过对比分析表明,小波ARMA组合模型能够较好地预测出未来的短时客流,预测效果优于单一ARMA模型,计算速度也能够满足短时预测的需求,该方法可为城市轨道交通的运营组织提供参考建议.(本文来源于《交通运输系统工程与信息》期刊2019年03期）
颜秉洋,唐敏佳,周长庚,李银萍[9]（2019）在《基于ANFIS混合模型的短时交通流预测》一文中研究指出城市短时交通流预测可以帮助人们选择出行最优路线,提高出行效率,其研究在交通拥堵日益严重的今天十分必要.受天气等多种因素影响,短时交通流的精确预测比较困难,为改善短时交通流预测的精度,本文提出了一种基于自适应模糊推理系统(ANFIS)的混合模型.该混合模型用周期性知识模型及残差数据驱动ANFIS模型集成得到.为验证所提出的混合模型的性能,与倒向传播神经网络(BPNN)模型和普通ANFIS模型进行对比.实验结果证明混合模型在交通流预测方面有更好的适用性和准确度.(本文来源于《计算机系统应用》期刊2019年06期）
张卓伟,陶刚,李熙莹,桂林卿,张伟斌[10]（2019）在《基于SCATS数据的城市短时交通流组合预测模型》一文中研究指出实时准确的短时交通流量预测是城市交通控制的前提条件。现有的研究往往不能充分考虑交通流时间序列间的时空相关性,且提出的单一预测模型通常仅能利用数据中的部分有用信息,导致模型的预测精度不高。本文提出了一种基于悉尼协调自适应交通控制系统(SCATS)数据的城市短时交通流组合预测模型。通过对预测断面及其相邻区域内的断面组应用多维标度法,找出与预测断面相关性较高的一些断面,再对由这些断面的不同时滞形成的时空特征进行特征选择,最后确定出最佳输入特征。同时,将卡尔曼滤波模型与支持向量回归机(SVR)模型线性加权得到的组合预测模型能够利用两个模型的各自优势,取得更佳的预测效果。实验结果表明:与其他常用模型及其模型的变体相比,本文提出的组合预测模型的预测精度最高。(本文来源于《2019世界交通运输大会论文集（上）》期刊2019-06-13）
短时预测模型论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
为减轻日益严重的交通拥堵问题,实现智能交通管控,给交通流诱导和交通出行提供准确实时的交通流预测数据,设计了基于长短时记忆神经网络(LSTM)和BP神经网络结合的LSTM-BP组合模型算法.挖掘已知交通流数据的特征因子,建立时间序列预测模型框架,借助Matlab完成从数据的处理到模型的仿真,实现基于LSTMBP的短时交通流精确预测.通过与LSTMBPWNN叁种预测网络模型的对比,结果表明LSTM-BP预测的时间序列具有较高的精度和稳定性.该模型的搭建,可对交通分布的预测、交通方式的划分、实时交通流的分配提供依据和参考.
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
短时预测模型论文参考文献
[1].杨航,王忠宇,邹亚杰,吴兵.基于二次修正的短时行程时间预测模型[J].同济大学学报(自然科学版).2019
[2].李明明,雷菊阳,赵从健.基于LSTM-BP组合模型的短时交通流预测[J].计算机系统应用.2019
[3].周海赟,闫冬梅.基于SSARX-NARX模型的短时交通流预测[J].交通信息与安全.2019
[4].孔德璇,张亚平.寒地城市地铁站短时步行交通需求动态预测模型[J].交通信息与安全.2019
[5].赵宏,翟冬梅,石朝辉.短时交通流预测模型综述[J].都市快轨交通.2019
[6].冯诚,杨静,周浪雅,张红亮.基于GWO-WNN模型的城市轨道交通短时进站客流预测[J].铁道运输与经济.2019
[7].宋予佳,张健,邢珺.基于长短期记忆网络构建短时车流预测模型[J].公路.2019
[8].杨静,朱经纬,刘博,冯诚,张红亮.基于组合模型的城市轨道交通短时客流预测[J].交通运输系统工程与信息.2019
[9].颜秉洋,唐敏佳,周长庚,李银萍.基于ANFIS混合模型的短时交通流预测[J].计算机系统应用.2019
[10].张卓伟,陶刚,李熙莹,桂林卿,张伟斌.基于SCATS数据的城市短时交通流组合预测模型[C].2019世界交通运输大会论文集（上）.2019